最近OpenAI公司的ChatGPT非常火爆，虽然正式的论文还没有发布，但是按照OpenAI一贯的工作思路，基于前期工作进行相应的改造，我们可以跟着沐神一起来看看InstructGPT，也算法对了解ChatGPT有个前期的知识储备。

instructGPT论文地址：

Training language models to follow instructions with human feedback

沐神视频链接：InstructGPT 论文精读【论文精读·48】

目录

摘要

介绍

数据集

模型

1）SFT

2）RM

RM损失函数

3）Reinforcement learning（RL）

RL损失函数

---

摘要

大型的语言模型效果虽然很好，但是会产生很多对用户不真实的，带有种族歧视的，甚至是有害的言论。而InstructGPT则是基于GPT3，在人工反馈的数据上训练了一版有监督的模型。效果是：1.3B 参数的 InstructGPT优于175B 参数的GPT-3，可以证明，通过人工反馈进行fine-tune是个有前景的方向。

介绍

instructGPT是如何工作的呢？

step1:

挑一些prompt，让标注者写答案，基于这部分数据使用GPT-3进行fine-tune，得到模型SFT（supervised fine-tune）

step2:

第一步可以得到一个还不错的模型，但是成本高，也无法穷尽所有答案，所以第二步则是由SFT模型对问题采样出几个答案（GPT-3得到词的概率，再通过beam search采样出4个答案），再由人工判断这几个答案的优劣，然后训练出一个奖励模型RM（reward model）

step3:

使用强化学习的框架优化得到输出的策略：使用RM模型计算reward，并用PPO（后面会讲）来更新策略。

数据集

 那么prompt是如何生成的呢？

1/Plain 让标注人员自己想---确保问题的多样性

2/Few-shot 让标注人员写指令，以及指令的答案。比如找出这段代码的错误。

3/User-based 标注人员根据用户让OpenAI回答的问题构建一部分prompt

用户问题分布：

基于这些数据，划分成了3个数据集：

1/ SFT，标注人员直接写答案，13k样本，API+人工标注

2/ RM，标注人员打分，33k样本，API+人工标注

3/PPO，31k样本，只有API的结果

然后开放在OpenAI的playground中，让用户使用，再根据用户ID收集一部分的问题（一个用户最多200个）。用户可能会针对一个问题，用不同的句子提问，所以根据用户ID划分不同的数据集，避免一个用户的问题同时出现在多个数据集中，污染结果。

这样就可以持续对模型进行迭代。

模型

InstructGPT中一共用到了3个模型

1）SFT

SET的训练比较简单，就是标注数据fine-tune，13k样本较少，结果会过拟合，但这个模型只是为了初始化后面的模型，后续发现过拟合反而对后续的训练反而是有帮助的。

2）RM

的话，输入是prompt和回答，输出是一个reward。用前面的SFT的模型，去除掉最后的softmax层，转而使用一个线性投影层得到一个输出为1的标量，这个标量就可以视作是RM中的reward。

RM损失函数

是一个比较常见的pair-wise ranking loss。

 这里的K取的是9，每个prompt产出9个回答，9个回答两两匹配中生成36个pair对，在损失函数中，第一项的分母中除以pair对数，为了就是平衡掉不同K值带来的影响。

注意：OpenAI之前的工作中用的K=4，这里用的是K=9，好处有：

• 标注资源增长较少

        对于同一个问题，标注9个答案仅仅比4个多出了一些时间，因为节约了读题和理解题目的时间（我不是很认可啊，排序我觉得还挺麻烦的）

• 6倍的训练数据

        9个答案能产生36个pair对，而4个答案却只能产生6个pair对，训练数据量增加了6倍。

• 节约时间

      最费时间的是的计算，9个回答只需要计算9次，但是能产出36个标量，相当于节省了4倍的时间。

相当于是标注资源增加不多的情况下，训练数据量变多，同时时间没有增加很多。

同时，前作是4个里面选最好的一个，会有过拟合的情况，这里改为全排序的话，帮助缓解过拟合。

3）Reinforcement learning（RL）

在强化学习的框架内，随着模型的更新，每次采样到的y是不一样的，相当于是强化学习的环境变了，那相应的，获得的奖励也变了。

RL损失函数

就是强化学习学到的结果

就是SFT学习到的结果

第一项：对于每个prompt，丢进RL模型中产生一个y，使用第二步的RM模型来计算，这里的RM模型是模拟人类，对每个y给出一个实时反馈。

第二项：而RM训练时产生的y是来自于，为了减小更新模型导致的数据分布不一致，所以第二项中使用了KL散度，使得模型学出来的结果和SFT的不要相差太多

最后一项：GPT-3原始的目标函数，使得整个模型能生成更有效回答的情况下，其他任务的性能不要下降太多。

前2项就是ppo模型，加上最后一项就是ppo-ptx模型。

沐神给了些其他建议：

1.大模型模型不稳定的话，使用小模型

2.与其使用不稳定的RL，不如在数据集上多下点功夫，多找人标注些数据集，效果也未必不好。

（ps：论文中间还提到了如何挑选标注人员，这个真的蛮重要的，低质的标注人员真的非常拖累整个项目进程。。。这个还有专门的论文讲这个事情，感兴趣的可以自己搜搜看）